scikit-learn：将数据拟合为块与一次性拟合

scikit-learn：将数据拟合为块与一次性拟合

这取决于您使用的矢量化器。

CountVectorizer 对文档中单词的 出现 次数进行计数。它为每个文档输出一个

(n_words,1)

向量，其中每个单词出现在文档中的次数。

n_words

是 文档中单词 的 总数 （又称词汇量）。
它还适合词汇表，以便您可以对模型进行内部检查（请参阅重要的单词等）。您可以使用查看它

vectorizer.get_feature_names()

。

当您将其放入您的前500个文档中时，词汇表将仅由500个文档中的单词组成。假设其中有30k，则

fit_transform

输出一个

500x30k

稀疏矩阵。
现在，您

fit_transform

又获得了500个下一个文档，但是它们仅包含29k个单词，因此您得到了一个

500x29k

矩阵…
现在，如何对齐矩阵以确保所有文档都具有一致的表示形式？
我目前无法想到一种简单的方法。

使用 TfidfVectorizer时， 您还有另一个问题，那就是文档频率的倒数：要计算文档频率，您需要一次查看所有文档。
但是

TfidfVectorizer

，a

CountVectorizer

后面是a

TfIdfTransformer

，因此，如果您设法获得

CountVectorizer

正确的输出，则可以

TfIdfTransformer

在数据上应用a
。

使用 HashingVectorizer的 情况有所不同：这里没有词汇。

In [51]: hvect = HashingVectorizer() In [52]: hvect.fit_transform(X[:1000])       <1000x1048576 sparse matrix of type '<class 'numpy.float64'>' with 156733 stored elements in Compressed Sparse Row format>

这里的前1000个文档中没有1M +个不同的单词，但是我们得到的矩阵有1M +个列。
在

HashingVectorizer

不字存储在内存中。这样可以提高内存效率，并确保返回的矩阵 始终具有相同的列数
。因此，您不会遇到与

CountVectorizer

这里相同的问题。

这可能是您描述的批处理的最佳解决方案。有两个缺点，即您无法获得idf权重，并且您不知道单词与功能之间的映射。

该HashingVectorizer文件的引用，做一个例子文本数据外的核心分类。可能有点混乱，但是可以完成您想做的事情。

希望这可以帮助。

编辑
：如果您有太多的数据，

HashingVectorizer

是要走的路。如果仍要使用

CountVectorizer

，可能的解决方法是自己调整词汇表的大小，然后将其传递给矢量化器，以便只需要调用即可

tranform

。

这是您可以适应的示例：

import refrom sklearn.datasets import fetch_20newsgroupsfrom sklearn.feature_extraction.text import CountVectorizerfrom sklearn.feature_extraction.text import TfidfTransformernews = fetch_20newsgroups()X, y = news.data, news.target

现在，这种方法行不通：

# Fitting directly:vect = CountVectorizer()vect.fit_transform(X[:1000])<1000x27953 sparse matrix of type '<class 'numpy.int64'>'with 156751 stored elements in Compressed Sparse Row format>

注意我们得到的矩阵的大小。
“手动”适应词汇表：

def tokenizer(doc):    # Using default pattern from CountVectorizer    token_pattern = re.compile('(?u)\b\w\w+\b')    return [t for t in token_pattern.findall(doc)]stop_words = set() # Whatever you want to have as stop words.vocabulary = set([word for doc in X for word in tokenizer(doc) if word not in stop_words])vectorizer = CountVectorizer(vocabulary=vocabulary)X_counts = vectorizer.transform(X[:1000])# Now X_counts is:# <1000x155448 sparse matrix of type '<class 'numpy.int64'>'#   with 149624 stored elements in Compressed Sparse Row format>#   X_tfidf = tfidf.transform(X_counts)

在您的示例中，您需要先构建 整个 矩阵X_counts（用于所有文档），然后再应用tfidf转换。